Différences

Ci-dessous, les différences entre deux révisions de la page.

--- intelligence_du_pendule_de_furuta [2022/02/06 09:49] – [Ressources] serge
+++ intelligence_du_pendule_de_furuta [2024/12/10 16:05] (Version actuelle) – Benjamin Labomedia
@@ Ligne 2: / Ligne 2: @@
 <WRAP center round box 60% centeralign>
-**{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fintelligence_du_pendule_de_furuta|English Version]]**
+**[[intelligence_artificielle|Intelligence Artificielle]]**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fintelligence_artificielle|English Version]]**
 </WRAP>
@@ Ligne 9: / Ligne 9: @@
 </WRAP>
-=====C'est quoi une Intelligence Artificielle=====
+{{ :media_14:cartpole.gif |}}
-Une Intelligence Artificielle n'est jamais intelligente. C'est un programme informatique qui comprend à un moment donné un Apprentissage Automatique.
+=====C'est quoi une Intelligence Artificielle ?=====
+Une Intelligence Artificielle n'est jamais intelligente.\\
+**C'est un programme informatique qui comprend à un moment donné un Apprentissage Statistique.**
 =====Ressources=====
+{{ :media_14:apprentissage-par-renforcement.png?400 |}}
   * **[[https://ressources.labomedia.org/apprentissage_par_renforcement#principe_vulgarise_de_l_apprentissage_par_renforcement|Principe vulgarisé de l'Apprentissage par Renforcement]]**
   * **[[https://ressources.labomedia.org/apprentissage_par_renforcement#comment_est_definit_l_objectif_a_atteindre|Comment est définit l'objectif à atteindre]]**
+  * **[[https://pythonprogramming.net/saving-and-loading-reinforcement-learning-stable-baselines-3-tutorial/?completed=/introduction-reinforcement-learning-stable-baselines-3-tutorial/|Reinforcement Learning in Python with Stable Baselines 3 : How to save and load models]]**
-=====Entrées / Sorties=====
+  * **[[https://stable-baselines3.readthedocs.io/en/master/guide/custom_env.html|Création d'un Environment particulier dans Gym de OpenAI]]**
-Entrées: Vitesse/Position du chariot et du pendule. Un point zéro, et le décalage en points par rapport au zéro
-Sortie: Impulsion moteur dans un sens ou dans l'autre. Cette impulsion sera proportionnelle (coefficient à trouver empiriquement !) à la valeur entre -1 et 1 , résultat du calcul.
+=====Principes=====
+L'apprentissage se compose de cycles, un cycle comprend des steps.\\
+Un step est:
+  * Le pendule envoie 4 items: (position, vitesse) du chariot, (position, vitesse) du pendule.
+  * Le serveur répond par une impulsion sur le moteur dans un sens ou dans l'autre, de combien à définir empiriquement.
+Un cycle se termine au bout de 2000 steps.
-=====Choix du PC pour les calculs=====
+=====Installation de l'intelligence artificielle=====
-Le fichier de poids fait ~46 ko.\\
+Nous utilisons Gym de OpenAI et Stable-Baselines3.\\
-Un Raspi 4 doit suffire.
+Le code de Stable-baselines est le code de Baselines nettoyé, amélioré, documenté. Stable-baselines3 est la dernière version, il utilise Torch. [[https://stable-baselines3.readthedocs.io/en/master/guide/examples.html|Documentation de stable-baselines3]] @ stable-baselines3.readthedocs.io\\
+Les modules python à installer: stable-baselines3 et pyglet. Pyglet ne sert qu'a tester l'installation. L'installation de stable-baselines3 installe gym et installe tout ce qui est dans requirements.txt
-=====Sources=====
-  * **[[https://github.com/sergeLabo/furuta|furuta]]**
-=====Installation=====
-Nous utilisons Gym de OpenAI et Stable-Baselines3.
-===Stable-baselines3===
-Le code de Stable-baselines est le code de Baselines nettoyé, amélioré, documenté. **[[https://stable-baselines.readthedocs.io/en/master/index.html|Documentation de stable-baselines]]** @ stable-baselines.readthedocs.io
-Stable-baselines3 est la dernière version, il utilise tensorflow2 et Torch\\
-  * **[[https://stable-baselines3.readthedocs.io/en/master/guide/examples.html|Documentation de stable-baselines3]]** @ stable-baselines3.readthedocs.io
-**Installation:** https://stable-baselines3.readthedocs.io/en/master/guide/install.html\\
-Les modules python à installer: stable-baselines3[extra] et pyglet. Pyglet ne sert qu'a tester l'installation. L'installation de stable-baselines3 installe gym et installe tout ce qui est dans requirements.txt
 <code bash>
@@ Ligne 47: / Ligne 41: @@
 </code>
-Allez dans le dossier des sources:
+Dans votre dossier "projets", par exemple /home/machin/projets
 <code bash>
-cd /media/bla...bla/projets/furuta
+git clone https://github.com/sergeLabo/furuta
+# Allez dans le dossier des sources
+cd ./furuta
 python3 -m venv mon_env
 source mon_env/bin/activate
 python3 -m pip install -r requirements.txt
 </code>
-=====Création d'un Environment particulier dans Gym de OpenAI=====
-====Ressources====
+=====Petit Pendule de Furuta=====
-  * **[[https://stable-baselines3.readthedocs.io/en/master/guide/custom_env.html|Using Custom Environments]]**
+====Version tout en python====
-Nous réalisons l'apprentissage dans le monde réel, nous n'avons pas besoin de **render**
+Au bout de très longs apprentissages, le maître a fini par comprendre que pigpio empilait les callbacks à traiter ce qui décalait l'apprentissage par rapport au pendule réel.\\
+Le codeur du balancier de 4 000 points crée 16 000 callbacks. En estimant la vitesse de rotation du balancier à 1 tour par seconde, la fréquence d'appel du callback est de 16 000 Hz.\\
+Le moteur a un codeur de 1 000 points: le même calcul ajoute 4 000 Hz.\\
+Les gpio d'une Pi ne peuvent pas tourner à plus de 20 000 Hz: [[https://atman-iot.com/blog/raspberry-pi-benchmark/|Can the Raspberry pi acquire high frequency signals?]]
+Les vitesses de rotation sont plus rapides que 1 tour/seconde: la Pi prend alors du retard.
+Le codeur de 4 000 points a été remplacé par un codeur de 1 000 points, qui est grandement suffisant: les frottements ne permettent pas d'apprécier la position du points zéro à mieux que +- 1 ou 2 points.
+===Training avec "best"===
+La méthode training_best de train_test.py est étrange: la doc n'est pas claire, ça ne finit jamais, il y a un message d'erreur au lancement assez obscure.
+<code python>
+eval_callback = EvalCallback(self.env,
+                                     best_model_save_path=self.best_model_save_path,
+                                     log_path=self.logdir,
+                                     eval_freq=500,
+                                     deterministic=True,
+                                     render=False)
+</code>
+=====Suivi de l'efficacité de l'apprentissage avec tensorboard=====
+====Installation, utilisation====
+tensorboard est dans les requirements.\\
+Dans le dossier du projet, qui contient le venv=mon_env, lancer en terminal:
+  ./mon_env/bin/tensorboard --logdir=logs
+Dans un navigateur:
+  http://localhost:6006/
+====Exemples====
+{{:media_15:tb_00.png?200|}}
+{{:media_15:tb_03.png?200|}}
+{{:media_15:tb_04.png?200|}}
+{{:media_15:tb_01.png?200|}}
+====Moyenne des récompenses====
+{{:media_15:tb_10.png?300 |}} Permet d'apprécier l'efficacité de l'apprentissage\\
+avec rollout/ep_rew_nean
-{{tag>bestiaire_ia}}
+{{tag> bestiaire_ia petit_pendule_furuta pytorch tensorboard ia }}